r - 基表 :split() implementation - faster options within R/data.

Question

我想使用 arules:apriori 函数在 R 中执行关联规则挖掘，这需要一个 transactions 类型的输入。这只不过是一个因素列表，每个元素代表在该交易中购买的一组独特的产品。下面是一个例子:

  products   transaction
1 {a,b}      1            
2 {a,b,c}    2            
3 {b}        3 

在包文档中，他们推荐使用 split 来生成这样的代码:

split(DT[,"products",with=FALSE], DT[,"transaction",with=FALSE])

但是当我在大量交易上尝试同样的操作时，速度慢得令人痛苦。下面的示例 MWE:

library(data.table)

#Number of transactions
ntrxn = 1000000

#Generating a dummy transactions table
#Recycling transaction vector over products
DT = data.table(transaction = seq(1,ntrxn,1) 
                ,products = rep(letters[1:3],ntrxn))[order(transaction)]

TEST = split(DT[,"products",with=FALSE], DT[,"transaction",with=FALSE])

有没有办法通过利用 data.table by 条件来加快速度？我试过这个:

DT[,list(as.factor(.SD$products)),by=transaction] 

但它只是返回给我 data.table(事后看来这是有道理的)。有没有一种使用类似表达式但利用高性能 data.table 内部结构来处理繁重工作的向量列表的方法。

如果 data.table 本身不是这里的答案，我真的很好奇哪种方法可以让我得到我正在寻找的输出。

Answer 1

包装 OP 的最后一行代码以创建列表列:

DT[, .(.(products)), by=transaction]

.() 是 list() 的别名。无论如何，这在我的电脑上更快。